MAU v mobilní analytice — co to je, metrika měsíčního publika a jak ji spočítat

Co je to MAU v mobilní analytice?

MAU (Monthly Active Users) — metrika, která ukazuje počet unikátních uživatelů, kteří za posledních 30 kalendářních dní provedli cílovou akci v aplikaci. Na rozdíl od DAU není MAU citlivá na denní výkyvy a poskytuje stabilní obraz velikosti aktivní základny. Je to standard pro výkaznictví veřejně obchodovaných technologických společností: Facebook, Spotify, Uber a další uvádějí MAU ve čtvrtletních zprávách.

Proč je MAU metrikou číslo jedna pro investory

Investoři hodnotí rozsah podnikání právě podle MAU. Tato metrika ukazuje, kolik uživatelů produkt udrží během měsíce — minimální horizont pro hodnocení product-market fit. Facebook vykazuje MAU od roku 2012 a růst této metriky přímo koreluje s kapitalizací společnosti. Pro startupy je MAU jedním z klíčových ukazatelů v pitch deckách a kolech financování.

MAU v kontextu produktové analytiky

V produktové analytice se MAU používá jako vstupní metrika pro mnoho výpočtů. Na jejím základě se počítá poměr MAU/DAU (Stickiness), ARPU (Average Revenue Per User) a LTV (Lifetime Value). Bez přesné MAU nelze správně vyhodnotit konverzi na platící uživatele a efektivitu marketingových kanálů. MAU je základem pyramidy metrik, na kterém stojí všechny ostatní ukazatele monetizace a zapojení.

SELECT
    DATE_TRUNC('month', event_date) AS month_start,
    COUNT(DISTINCT user_id) AS mau
FROM user_events
WHERE event_date >= CURRENT_DATE - INTERVAL '30 days'
GROUP BY month_start
ORDER BY month_start DESC;

Jak se počítá MAU?

Výpočet MAU je na první pohled jednoduchý: spočítat unikátní uživatele za 30 dní. V praxi se však objevuje několik nuancí, které ovlivňují přesnost. Volba metody výpočtu — kalendářní měsíc nebo klouzavé okno — určuje, jak moc metrika odpovídá skutečné aktivitě uživatelů v mobilním vývoji.

Kalendářní měsíc versus klouzavé okno

Kalendářní měsíc — tradiční přístup: MAU se počítá od prvního do posledního dne měsíce. Je vhodný pro výkaznictví, ale vytváří artefakty: například pokud 30. dne dojde k výpadku, MAU za měsíc bude nižší. Klouzavé okno (rolling 30 days) poskytuje plynulejší metriku, ale je náročnější pro pravidelné výkaznictví. Podle údajů Mixpanel (2025) používá 80 % produktových týmů kalendářní měsíc pro externí zprávy a klouzavé okno pro interní dashboardy.

Deduplikace uživatelů napříč platformami

Jeden uživatel může přistupovat do aplikace z několika zařízení: z iPhonu a iPadu, z Android tabletu a desktopu. Bez deduplikace bude MAU nadhodnocena o 20–40 %. Nejlepší praxí je použití jediného account_id pro všechny platformy. Pokud uživatel není přihlášen, použijte kombinaci device_id + Advertising ID (IDFA na iOS, GAID na Androidu) s následnou deduplikací při přihlášení.

Zohlednění neaktivních uživatelů

Koho považovat za aktivního uživatele? Minimální akcí je otevření aplikace (session start). Mnoho týmů však nastavuje práh: session delší než 10 sekund nebo provedení alespoň jedné cílové akce. To vylučuje náhodná otevření a boty. Různé prahy aktivity způsobují rozdíly v MAU o 10–30 %, proto musí být metodika zafixována a nesmí se mezi obdobími měnit.

Automatizace výpočtu MAU

Většina společností automatizuje výpočet MAU prostřednictvím ETL pipeline. Data z Firebase, Amplitude nebo vlastních serverů se agregují v Clickhouse nebo Snowflake. Denní přepočet MAU umožňuje sledovat trendy v reálném čase. Důležité: při změně metodiky (např. prahu aktivity) přepočítejte MAU i za předchozí období, abyste zachovali srovnatelnost dat.

import pandas as pd
from datetime import datetime, timedelta

def calculate_mau(events_df, active_threshold_sec=10):
    # Filtr podle minimální délky session
    active = events_df[events_df['session_length'] >= active_threshold_sec]
    # Klouzavé okno 30 dní
    cutoff = datetime.now() - timedelta(days=30)
    recent = active[active['event_date'] >= cutoff]
    return recent['user_id'].nunique()

events = pd.read_csv('events.csv', parse_dates=['event_date'])
print(f"MAU: {calculate_mau(events)}")

DAU vs WAU vs MAU: hierarchie metrik

Tři metriky — DAU, WAU a MAU — tvoří systém hodnocení aktivního publika na různých časových horizontech. Společně poskytují komplexní obraz zdraví produktu. Analytik, který se dívá pouze na MAU, riskuje, že přehlédne denní problémy; ten, kdo se dívá pouze na DAU, nevidí strategický trend.

Vztah mezi DAU, WAU a MAU

Poměr metrik popisuje jednoduchá zákonitost: DAU ≤ WAU ≤ MAU. Rozdíl mezi DAU a MAU ukazuje, jak rovnoměrně jsou uživatelé rozloženi do dnů v měsíci. Pokud DAU tvoří 10 % MAU — uživatelé přistupují zřídka (např. aplikace pro rezervaci hotelů). Pokud DAU tvoří 50 % MAU — aplikace se používá téměř denně (sociální sítě, messengery). Koeficient DAU/MAU se nazývá Stickiness a je standardním ukazatelem zapojení.

Stickiness: hlavní ukazatel zapojení

Stickiness = DAU / MAU * 100 %. Hodnota nad 50 % je vynikající ukazatel pro jakoukoli aplikaci. Hodnota 20–50 % je normou pro většinu produktů. Hodnota pod 20 % je signálem problému s návratností. Stickiness nezávisí na velikosti: aplikace s 1 milionem MAU a startup s 10 tisíci MAU mohou mít stejnou hodnotu. To dělá metriku vhodnou pro benchmarking a porovnávání produktů v rámci jedné kategorie.

Normy MAU podle kategorií aplikací

Normy MAU závisí na kategorii, geografii a vyspělosti produktu. Místo absolutních hodnot analytici používají dynamiku MAU (Month-over-Month growth) a poměr k ostatním metrikám. Růst MAU o 10 % měsíc po měsíci je považován za dobrý pro vyspělý produkt, 30 %+ — pro rychle rostoucí.

Benchmarky MAU podle kategorií

Podle údajů zprávy App Annie State of Mobile 2025 se medián MAU pro různé kategorie liší. Social Media: 50–500 milionů (globální hráči), Gaming: 1–50 milionů, E-commerce: 100 tisíc — 10 milionů, Fintech: 500 tisíc — 20 milionů. Tato čísla silně závisí na regionu: aplikace s 1 milionem MAU v USA může být považována za velkou, v Indii — za střední. Porovnávat MAU má smysl pouze v rámci jedné kategorie a jednoho geografického regionu.

MAU a monetizace

MAU přímo souvisí s výnosy prostřednictvím ARPU. Pokud MAU roste a ARPU klesá — podnik se škáluje na méně solventní publikum. Pokud je MAU stabilní a ARPU roste — produkt zvyšuje monetizaci stávající základny. Ideální scénář: růst MAU při zachování nebo růstu ARPU. Poměr MAU k výnosům je klíčovým ukazatelem pro hodnocení unit-ekonomiky mobilní aplikace.

Jak zvýšit MAU v mobilní aplikaci?

Růst MAU je především zvýšení počtu nových uživatelů (acquisition) a snížení odlivu (retention). Na rozdíl od DAU, kterou lze zvýšit taktickými metodami, MAU vyžaduje systematickou strategii získávání a udržení publika. Podívejme se na hlavní růstové kanály potvrzené praxí předních mobilních produktů.

Organický acquisition: ASO a obsah

App Store Optimization (ASO) — nejhospodárnější způsob růstu MAU. Optimalizace názvu, klíčových slov, ikony a screenshotů může zvýšit organickou návštěvnost o 20–40 %. Druhým kanálem je content marketing: články, videa a případové studie, které se umísťují ve vyhledávání a přivádějí nové uživatele. Pro B2C aplikace jsou účinné virové mechaniky: pozvi kamaráda — získej bonus.

Placené získávání (UA)

User Acquisition (UA) — placené kanály: Facebook Ads, Google Ads, Apple Search Ads, TikTok Ads. Náklady na získání jednoho MAU se výrazně liší: od $0.50 na rozvíjejících se trzích až po $5–8 v USA/EU. Klíčový princip: CAC (Customer Acquisition Cost) musí být alespoň 3krát nižší než LTV (Lifetime Value). Reklamní kampaně by se měly zaměřovat na kohorty s retention Day 30 nad 20 %.

Referenční programy a virálnost

Referenční mechaniky — hnací síla organického růstu MAU. Dropbox vzrostl ze 100 tisíc na 4 miliony MAU za 15 měsíců díky referenčnímu programu. Klíč k úspěchu: hodnota bonusu pro obě strany (zvaného i pozvaného). Pro mobilní aplikace jsou účinné referenční odkazy s deep linkingem — nový uživatel se po instalaci okamžitě dostane do správné obrazovky aplikace.

-- Výpočet MAU s rozdělením podle zdroje provozu
SELECT
    source,
    COUNT(DISTINCT user_id) AS mau
FROM user_events e
JOIN users u ON e.user_id = u.id
WHERE e.event_date >= CURRENT_DATE - INTERVAL '30 days'
GROUP BY source
ORDER BY mau DESC;